Update https://docs.ultralytics.com/models (#6513)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
2023-11-22 20:45:46 +01:00 · 2023-11-22 20:45:46 +01:00 · 16a13a1ce0
commit 16a13a1ce0
parent 0c4e97443b
178 changed files with 14224 additions and 561 deletions
--- a/docs/pt/models/mobile-sam.md
+++ b/docs/pt/models/mobile-sam.md
@ -0,0 +1,116 @@
+---
+comments: true
+description: Saiba mais sobre o MobileSAM, sua implementação, comparação com o SAM original e como baixá-lo e testá-lo no framework Ultralytics. Melhore suas aplicações móveis hoje.
+keywords: MobileSAM, Ultralytics, SAM, aplicações móveis, Arxiv, GPU, API, codificador de imagens, decodificador de máscaras, download do modelo, método de teste
+---
+
+![Logotipo do MobileSAM](https://github.com/ChaoningZhang/MobileSAM/blob/master/assets/logo2.png?raw=true)
+
+# Segmentação Móvel de Qualquer Coisa (MobileSAM)
+
+O artigo do MobileSAM agora está disponível no [arXiv](https://arxiv.org/pdf/2306.14289.pdf).
+
+Uma demonstração do MobileSAM executando em uma CPU pode ser acessada neste [link de demonstração](https://huggingface.co/spaces/dhkim2810/MobileSAM). O desempenho em um Mac i5 CPU leva aproximadamente 3 segundos. Na demonstração do Hugging Face, a interface e CPUs de menor desempenho contribuem para uma resposta mais lenta, mas ela continua funcionando efetivamente.
+
+O MobileSAM é implementado em vários projetos, incluindo [Grounding-SAM](https://github.com/IDEA-Research/Grounded-Segment-Anything), [AnyLabeling](https://github.com/vietanhdev/anylabeling) e [Segment Anything in 3D](https://github.com/Jumpat/SegmentAnythingin3D).
+
+O MobileSAM é treinado em uma única GPU com um conjunto de dados de 100 mil imagens (1% das imagens originais) em menos de um dia. O código para esse treinamento será disponibilizado no futuro.
+
+## Modelos Disponíveis, Tarefas Suportadas e Modos de Operação
+
+Esta tabela apresenta os modelos disponíveis com seus pesos pré-treinados específicos, as tarefas que eles suportam e sua compatibilidade com diferentes modos de operação, como [Inference](../modes/predict.md), [Validation](../modes/val.md), [Training](../modes/train.md) e [Export](../modes/export.md), indicados pelos emojis ✅ para os modos suportados e ❌ para os modos não suportados.
+
+| Tipo de Modelo | Pesos Pré-treinados | Tarefas Suportadas                               | Inference | Validation | Training | Export |
+|----------------|---------------------|--------------------------------------------------|-----------|------------|----------|--------|
+| MobileSAM      | `mobile_sam.pt`     | [Segmentação de Instâncias](../tasks/segment.md) | ✅         | ❌          | ❌        | ✅      |
+
+## Adaptação de SAM para MobileSAM
+
+Como o MobileSAM mantém o mesmo pipeline do SAM original, incorporamos o pré-processamento original, pós-processamento e todas as outras interfaces. Consequentemente, aqueles que estão atualmente usando o SAM original podem fazer a transição para o MobileSAM com um esforço mínimo.
+
+O MobileSAM tem um desempenho comparável ao SAM original e mantém o mesmo pipeline, exceto por uma mudança no codificador de imagens. Especificamente, substituímos o codificador de imagens ViT-H original (632M) por um ViT menor (5M). Em uma única GPU, o MobileSAM opera em cerca de 12 ms por imagem: 8 ms no codificador de imagens e 4 ms no decodificador de máscaras.
+
+A tabela a seguir fornece uma comparação dos codificadores de imagens baseados em ViT:
+
+| Codificador de Imagens | SAM Original | MobileSAM |
+|------------------------|--------------|-----------|
+| Parâmetros             | 611M         | 5M        |
+| Velocidade             | 452ms        | 8ms       |
+
+Tanto o SAM original quanto o MobileSAM utilizam o mesmo decodificador de máscaras baseado em prompt:
+
+| Decodificador de Máscaras | SAM Original | MobileSAM |
+|---------------------------|--------------|-----------|
+| Parâmetros                | 3,876M       | 3,876M    |
+| Velocidade                | 4ms          | 4ms       |
+
+Aqui está a comparação de todo o pipeline:
+
+| Pipeline Completo (Enc+Dec) | SAM Original | MobileSAM |
+|-----------------------------|--------------|-----------|
+| Parâmetros                  | 615M         | 9,66M     |
+| Velocidade                  | 456ms        | 12ms      |
+
+O desempenho do MobileSAM e do SAM original é demonstrado usando tanto um ponto quanto uma caixa como prompts.
+
+![Imagem com Ponto como Prompt](https://raw.githubusercontent.com/ChaoningZhang/MobileSAM/master/assets/mask_box.jpg?raw=true)
+
+![Imagem com Caixa como Prompt](https://raw.githubusercontent.com/ChaoningZhang/MobileSAM/master/assets/mask_box.jpg?raw=true)
+
+Com seu desempenho superior, o MobileSAM é aproximadamente 5 vezes menor e 7 vezes mais rápido que o FastSAM atual. Mais detalhes estão disponíveis na [página do projeto MobileSAM](https://github.com/ChaoningZhang/MobileSAM).
+
+## Testando o MobileSAM no Ultralytics
+
+Assim como o SAM original, oferecemos um método de teste simples no Ultralytics, incluindo modos para prompts de Ponto e Caixa.
+
+### Download do Modelo
+
+Você pode baixar o modelo [aqui](https://github.com/ChaoningZhang/MobileSAM/blob/master/weights/mobile_sam.pt).
+
+### Prompt de Ponto
+
+!!! Example "Exemplo"
+
+    === "Python"
+        ```python
+        from ultralytics import SAM
+
+        # Carregar o modelo
+        model = SAM('mobile_sam.pt')
+
+        # Prever um segmento com base em um prompt de ponto
+        model.predict('ultralytics/assets/zidane.jpg', points=[900, 370], labels=[1])
+        ```
+
+### Prompt de Caixa
+
+!!! Example "Exemplo"
+
+    === "Python"
+        ```python
+        from ultralytics import SAM
+
+        # Carregar o modelo
+        model = SAM('mobile_sam.pt')
+
+        # Prever um segmento com base em um prompt de caixa
+        model.predict('ultralytics/assets/zidane.jpg', bboxes=[439, 437, 524, 709])
+        ```
+
+Implementamos `MobileSAM` e `SAM` usando a mesma API. Para obter mais informações sobre o uso, consulte a [página do SAM](sam.md).
+
+## Citações e Agradecimentos
+
+Se você achar o MobileSAM útil em sua pesquisa ou trabalho de desenvolvimento, considere citar nosso artigo:
+
+!!! Citar ""
+
+    === "BibTeX"
+
+        ```bibtex
+        @article{mobile_sam,
+          title={Faster Segment Anything: Towards Lightweight SAM for Mobile Applications},
+          author={Zhang, Chaoning and Han, Dongshen and Qiao, Yu and Kim, Jung Uk and Bae, Sung Ho and Lee, Seungkyu and Hong, Choong Seon},
+          journal={arXiv preprint arXiv:2306.14289},
+          year={2023}
+        }